基于混合粒子PHD滤波的多目标视频跟踪

针对可变数目多目标视频跟踪,粒子滤波不能持续维持目标的多模态分布问题,本文提出一种混合粒子概率假设密度(PHD)滤波的多目标视频跟踪算法.该算法首先用K-means算法对粒子进行空间分布聚类,给各粒子群附加身份标签,使各粒子群分别对应混合粒子滤波的各分量,采用相互独立的各分量粒子滤波跟踪各目标,这样提高了目标状态估计的准确性,也能有效维持各目标的多模态分布.实验结果表明,该算法能有效处理新目标出现、合并、分离等多目标跟踪问题.     

多学科协同优化算法的分析和改进

针对协同优化算法计算量大、优化结果多为局部最优解的问题,提出了一种改进的协同优化算法。首先,在系统级一致性等式约束中采用改进的松弛因子,使系统级优化的可行域是存在的,且可行域的范围逐步减小,以保证子学科间的一致性;其次,在子学科中,将目标函数分为一致性目标函数和子学科最优目标函数两个部分,以不同的权重相加作为子学科的目标函数,既考虑了一致性,又兼顾了子学科独立性。最后,以各子学科级独立优化结果作为初始点进行优化。采用两个经典案例对改进算法进行验证,优化结果表明,改进的算法具有更好收敛速度和可行性。     

罗伊氏乳杆菌发酵液中具有降胆固醇能力蛋白的分离、纯化和鉴定

罗伊氏乳杆菌DSM122460无细胞上清发酵液（cell-free supernatant,CFS）具有较高的胆固醇移除能力,经初步鉴定有效成分为蛋白质。通过超滤浓缩、硫酸铵分级沉淀、DEAE Sepharose F.F阴离子交换层析进一步对该活性成分进行分离纯化。纯化后,其比活力达到61.6 U/mg,纯化倍数为32.4。经SDS-PAGE检测,样品达到电泳级纯,分子量约为60 ku。通过质谱鉴定初步认定该活性蛋白为一假设蛋白,其功能尚待进一步研究。      

基于深度卷积神经网络和二进制哈希学习的图像检索方法

随着图像数据的迅猛增长,当前主流的图像检索方法采用的视觉特征编码步骤固定,缺少学习能力,导致其图像表达能力不强,而且视觉特征维数较高,严重制约了其图像检索性能。针对这些问题,该文提出一种基于深度卷积神径网络学习二进制哈希编码的方法,用于大规模的图像检索。该文的基本思想是在深度学习框架中增加一个哈希层,同时学习图像特征和哈希函数,且哈希函数满足独立性和量化误差最小的约束。首先,利用卷积神经网络强大的学习能力挖掘训练图像的内在隐含关系,提取图像深层特征,增强图像特征的区分性和表达能力。然后,将图像特征输入到哈希层,学习哈希函数使得哈希层输出的二进制哈希码分类误差和量化误差最小,且满足独立性约束。最后,给定输入图像通过该框架的哈希层得到相应的哈希码,从而可以在低维汉明空间中完成对大规模图像数据的有效检索。在3个常用数据集上的实验结果表明,利用所提方法得到哈希码,其图像检索性能优于当前主流方法。     

基于随机摄动再采样的粒子概率假设密度滤波器

作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显著增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。     

联合时空特征的视频分块压缩感知重构

为了提高视频压缩感知(CS)重构算法的率失真性能,该文提出利用视频的时空特征进行联合重构。为了不引入过多的复杂度,采集端以固定采样率对帧内各块进行测量;重构端则在最小全变差(TV)重构模型的基础上,分别加入利用时空自回归(AR)模型和多假设(MH)模型所形成的正则化项,以提高预测-残差重构的性能。另外,考虑到视频源的统计特性在时空域中是动态变化的,讨论了5种不同的帧间预测模式对重构精度和重构计算复杂度的影响。仿真实验表明,所提出的重构算法能够以一定的计算复杂度为代价有效地改善视频重构质量,且在关键帧采样率高于非关键帧的情形下,帧间预测模式的改善也可一定程度上提高视频重构质量。     

域自适应学习研究进展

传统的机器学习假设测试样本和训练样本来自同一概率分布. 但当前很多学习场景下训练样本和测试样本可能来自不同的概率分布. 域自 适应学习能够有效地解决训练样本和测试样本概率分布不一致的学习问题,作为 机器学习新出现的研究领域在近几年受到了广泛的关注. 鉴于域自适应学习技术 的重要性,综述了域自适应学习的研究进展. 首先概述了域自适应学习的基本问 题,并总结了近几年出现的重要的域自适应学习方法. 接着介绍了近几年提出的 较为经典的域自适应学习理论和当下域自适应学习的热门研究方向,包括样例加 权域自适应学习、特征表示域自适应学习、参数和特征分解域自适应学习和多 源域自适应学习. 然后对域自适应学习进行了相关的理论分析,讨论了高效的度 量判据,并给出了相应的误差界. 接着对当前域自适应学习在算法、模型结构和 实际应用这三个方面的研究新进展进行了综述. 最后分别探讨了域自适应学习在 特征变换和假设、训练优化、模型和数据表示、NLP 研究中存在的问题这四个方面 的有待进一步解决的问题.     

一种优化的直接匿名证言协议方案

DAA(direct anonymous attestation)既解决了隐私CA(certificate authority)的瓶颈问题,又实现了对TPM(trusted platform module)芯片的认证和匿名,是当前可信计算平台身份证明最好的理论解决方案之一.但是该协议基于强RSA困难假设,实现过程中不仅涉及到多个实体,而且涉及大量的耗时运算.突出的性能问题制约了该协议的广泛应用.基于普通椭圆曲线离散对数的困难性假设,提出了一种较为优化的直接匿名证明方案TMZ-DAA.该方案仅依赖普通椭圆曲线离散对数的困难性假设,涉及到的主要运算是椭圆曲线的点加和标量乘,复杂性大大降低,不仅密钥长度和签名长度方案较短,而且在总性能方面得到较大提高,降低了Join协议、Sign协议以及Verify算法中TPM,Host,Issuer以及Verifier等各个参与实体的计算量,为基于椭圆曲线的TPM提供了可行的隐私性保护解决方案.利用理想系统/现实系统模型对该方案的安全性进行分析和证明.结果表明,该方案满足不可伪造性、可变匿名性和不可关联性.     

基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法

多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。     

基于空谱联合的多假设预测高光谱图像压缩感知重构算法

为充分利用高光谱图像的空间相关性和谱间相关性,该文提出一种基于空谱联合的多假设预测压缩感知重构算法。将高光谱图像分组为参考波段图像和非参考波段图像,参考波段图像利用光滑Landweber投影算法重构,对于非参考波段图像,引入空谱联合的多假设预测模型,提高重构精度。非参考波段图像中每个图像块的预测值不仅来自非参考波段图像未经预测的初始重构值的相邻图像块,而且来自参考波段重构图像相应位置及其邻近的图像块,利用预测值得到测量域中的残差,然后对残差进行重构并对预测值进行修正,此残差比原图像更稀疏,且算法采用迭代方式提高重构图像的精度。借助Tikhonov正则化方法求解多假设预测的权重系数,并基于结构相似性判断是否改变多假设预测搜索窗口大小,最后利用交叉验证计算重构算法终止迭代的判据参数。实验结果表明,所提算法优于仅利用空间相关性或谱间相关性进行预测和不预测的重构算法,其重构图像的峰值信噪比提高2 dB以上。